CN109934808A - 一种基于图像多形状法向梯度差值pcb板缺陷分类方法 - Google Patents
一种基于图像多形状法向梯度差值pcb板缺陷分类方法 Download PDFInfo
- Publication number
- CN109934808A CN109934808A CN201910169635.7A CN201910169635A CN109934808A CN 109934808 A CN109934808 A CN 109934808A CN 201910169635 A CN201910169635 A CN 201910169635A CN 109934808 A CN109934808 A CN 109934808A
- Authority
- CN
- China
- Prior art keywords
- image
- roi
- normal vector
- shape
- pcb board
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像多形状法向梯度差值PCB板缺陷分类方法,通过原始模板图像的特征分类,得到各特征形状的轮廓,求出相应轮廓形状的法向量,利用模板精准匹配出缺陷位置,通过法向量上搜索像素点灰度梯度来判断缺陷种类及对缺陷进行分类,避免了仅依靠特征来分类造成分类错误的现象;本发明提高了PCB板缺陷检测及分类的检测速度和精度,有效提高了检测率及分类准确率,减少了缺陷误检或漏检情况的发生,实现了PCB板缺陷检测及自动分类,节省了人力物力财力,提高了生产自动化程度。
Description
技术领域
本发明涉及检测设备技术领域,具体涉及一种基于图像多形状法向梯度差值PCB板缺陷分类方法。
背景技术
该方法应用于PCB板缺陷在线检测,随着现代电子及通讯产业的高速发展,对PCB的质量提出了更高的要求,随着电子产品趋于微型化和电路板加工工艺的提升,PCB正向高精度、高速率、高密度、多层化的方向发展。由于PCB板检测过程重复、枯燥,极易出现漏检、误检,对员工的技术、耐心、责任心有一定要求,因此企业需要消耗大量的人力资源。并且人工目检耗时长、效率差、准确度低,极大降低了企业产能,已经无法满足现代化PCB板生成的需求。目前传统的PCB板缺陷检测系统主要是模板匹配做差算法,无法对缺陷种类进行分类,并容易形成误检漏检现象,而且检测精度低,检测效率低,检测过程复杂等问题。
发明内容
针对现有技术的不足,本发明提供一种基于图像多形状法向梯度差值PCB板缺陷分类方法,目的在于解决现在PCB板缺陷检测中检测效率低,检测精度差及易出现误检漏检等情况;提高了检测过程的精度和速度,实现PCB板缺陷的自动分类。
为实现上述目的,本发明采用如下技术方案:
一种基于图像多形状法向梯度差值PCB板缺陷分类方法,包括以下步骤:
S1,读取模板图像Image,并获取图像Image尺寸;
S2,将模板图像提取MARK点、圆孔及圆弧特征轮廓形状ROI-cir,剩下的图像为Image1;
S3,将Image1提取出凸包轮廓形状ROI-con,剩下图像为Image2;
S4,将图像Image2提取出十字架轮廓特征形状ROI-wh,剩下图像为Image3;
S5,将图像Image3提取出矩形轮廓特征形状ROI-rec,剩下图像为Image4;
S6,将图像Image4提取其他异形轮廓形状ROI-else;
S7,在圆孔及圆弧特征轮廓形状ROI-cir中,通过创建一个圆形对象,求出圆或圆弧法向量n1(x1,y1);
S8,在矩形轮廓特征形状ROI-rec中,求出宽度方向上的直线段法向量n2(x2,y2),高度方向上的直线段法向量n3(x3,y3);
S9,在凸包轮廓形状ROI-con、十字架轮廓特征形状ROI-wh及其他异形轮廓形状ROI-else中,求出宽度方向上的法向量n4(x4,y4),高度方向上的法向量n5(x5,y5)及圆或圆弧法向量n6(x6,y6);
S10,在法向量方向找像素点的灰度值,判断像素点为白点及黑点;
S11,将采集得到的待检图Image-Pre与模板图Image进行模板匹配得到相应的缺陷区域,在相应缺陷区域内,在法向量一定距离上搜索相应像素点的灰度值,再通过提取该区域的形态学特征和灰度特征进行缺陷分类。
本发明的原理是:首先对原厂模板图进行尺寸获取,再进行圆类形状、凸包轮廓形状、十字架轮廓形状、矩形轮廓形状、其他异形轮廓形状分块提取,之后通过创建相应的圆类形状、凸包轮廓形状、十字架轮廓形状、矩形轮廓形状、其他异形轮廓形状对象,再求出五大类轮廓形状的轮廓法向量n1(x1,y1)、n2(x2,y2)、n3(x3,y3)、n4(x4,y4)、n5(x5,y5)、n6(x6,y6)。之后将待检图Image-Pre与模板图Image进行模板匹配,得到相应的缺陷区域,在相应缺陷区域内,根据先前求到的法向量n1(x1,y1)、n2(x2,y2)、n3(x3,y3)、n4(x4,y4)、n5(x5,y5)、n6(x6,y6),由模板图像轮廓在待检图中按照该法向量一定距离上搜索相应像素点的灰度值,根据灰度梯度差值T1判断是否存在黑白点。通过黑白点来判断是否存在毛刺、铜渣、短路、开路及缺口等缺陷,之后通过形态学特征和灰度特征来对相应的缺陷分类。
本发明通过原始模板图像的特征分类,得到各特征形状的轮廓,之后求出相应轮廓形状的法向量,之后利用模板精准匹配出缺陷位置,通过法向量上搜索像素点灰度梯度来判断缺陷种类及对缺陷进行分类,是一种新的缺陷分类方法,避免了仅依靠特征来分类造成分类错误的现象。本发明提高了PCB板缺陷检测及分类的检测速度和精度,有效提高了检测率及分类准确率,减少了缺陷误检或漏检情况的发生,实现了PCB板缺陷检测及自动分类,节省人力物力财力,提高了生产自动化程度。
附图说明
图1为本发明方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,均属于本发明的保护范围。
实施例:一种基于图像多形状法向梯度差值PCB板缺陷分类方法。
一种基于图像多形状法向梯度差值PCB板缺陷分类方法,包括以下步骤:
S1,读取原厂模板图像Image,并获取图像Image尺寸;
S2,将模板图像Image使用特征提取算法中圆、孔选项参数进行MARK点及圆孔特征轮廓提取,筛选出MARK点、圆孔及圆弧特征轮廓形状ROI-cir,剩下的图像为Image1;
S3,将Image1使用特征提取算法中算法中凸面、面积、紧密性等参数进行凸包轮廓特征提取,筛选出凸包轮廓形状ROI-con,剩下图像为Image2;
S4,将图像Image2使用特征提取算法中宽、高参数进行十字架轮廓特征提取,筛选出十字架轮廓特征形状ROI-wh,剩下图像为Image3;
S5,将图像Image3使用特征提取算法中宽、高、矩形参数进行矩形轮廓特征提取,筛选出矩形轮廓特征形状ROI-rec,剩下图像为Image4;
S6,将图像Image4中剩下的连通域进行分离,提取其他异形轮廓,便得到其他异形轮廓形状ROI-else;
S7,在圆孔及圆弧特征轮廓形状ROI-cir中,通过创建一个圆形对象,打开一个圆或拟合成一个圆,生成圆或圆弧轮廓中心像素坐标,由圆或圆弧中心坐标到圆、圆弧轮廓上的像素点即为圆或圆弧法向量n1(x1,y1);
S8,在矩形轮廓特征形状ROI-rec中,通过创建一个矩形对象,打开一个矩形或拟合成一个矩形,生成矩形轮廓中心像素坐标,将矩形分为宽跟高上的两组直线线段对,求出宽度方向上的直线段法向量n2(x2,y2),高度方向上的直线段法向量n3(x3,y3);
S9,在凸包轮廓形状ROI-con、十字架轮廓特征形状ROI-wh及其他异形轮廓形状ROI-else中,通过创建一个矩形对象,打开一个矩形或拟合成一个矩形,生成矩形轮廓中心像素坐标,将矩形分为宽跟高上的两组线段对,求出宽度方向上的法向量n4(x4,y4),高度方向上的法向量n5(x5,y5);同样创建一个圆形对象,生成圆或圆弧轮廓中心像素坐标,由圆或圆弧中心坐标到圆、圆弧轮廓上的像素点即为圆或圆弧法向量n6(x6,y6);在凸包轮廓形状ROI-con、十字架轮廓特征形状ROI-wh及其他异形轮廓形状ROI-else中主要是直线段及圆弧段组成,因此可以求出直线段或者圆弧段的法向量,从而求出整个形状的法向量。
S10,根据先前求到的法向量n1(x1,y1)、n2(x2,y2)、n3(x3,y3)、n4(x4,y4)、n5(x5,y5)、n6(x6,y6),在法向量方向找像素点的灰度值,若灰度值在255左右,则该像素点为白点,若灰度值在5左右为黑点,对于PCB板上线路都为刷铜或镀金,因此成像采集后的线路所对应的图像全部是白色图像,相应对应的像素点为白点,线路之外均为黑点。
S11,将采集得到的待检图Image-Pre与模板图Image进行模板匹配,匹配之后,得到相应的缺陷区域,在相应缺陷区域内,根据先前求到的法向量n1(x1,y1)、n2(x2,y2)、n3(x3,y3)、n4(x4,y4)、n5(x5,y5)、n6(x6,y6),由模板图像轮廓在待检图中按照该法向量一定距离上搜索相应像素点的灰度值,根据灰度梯度差值T1判断是否存在黑白点。若T1=0,则存在白点,该缺陷为毛刺、铜渣、短路,若T1<0,则在法向量相反方向上搜索相应像素点的灰度值,根据灰度梯度差值T2判断是否存在黑白点。若T2<0,则线路板线路上存黑点,该缺陷为开路、缺口。对于毛刺的图像一般为多边形,通过提取改区域的形态学特征和灰度特征可以判别。对于铜渣为凸包形状,同样通过形态学特征和灰度特征可以判别。对于缺口也为凸包形状,同样通过形态学特征和灰度特征可以判别。则剩下的为开路及短路缺陷。
以上所述为本发明的较佳实施例而已,但本发明不应局限于该实施例和附图所公开的内容,所以凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (1)
1.一种基于图像多形状法向梯度差值PCB板缺陷分类方法,包括以下步骤:
S1,读取模板图像Image,并获取图像Image尺寸;
S2,将模板图像提取MARK点、圆孔及圆弧特征轮廓形状ROI-cir,剩下的图像为Image1;
S3,将Image1提取出凸包轮廓形状ROI-con,剩下图像为Image2;
S4,将图像Image2提取出十字架轮廓特征形状ROI-wh,剩下图像为Image3;
S5,将图像Image3提取出矩形轮廓特征形状ROI-rec,剩下图像为Image4;
S6,将图像Image4提取其他异形轮廓形状ROI-else;
S7,在圆孔及圆弧特征轮廓形状ROI-cir中,通过创建一个圆形对象,求出圆或圆弧法向量n1(x1,y1);
S8,在矩形轮廓特征形状ROI-rec中,求出宽度方向上的直线段法向量n2(x2,y2),高度方向上的直线段法向量n3(x3,y3);
S9,在凸包轮廓形状ROI-con、十字架轮廓特征形状ROI-wh及其他异形轮廓形状ROI-else中,求出宽度方向上的法向量n4(x4,y4),高度方向上的法向量n5(x5,y5)及圆或圆弧法向量n6(x6,y6);
S10,在法向量方向找像素点的灰度值,判断像素点为白点及黑点;
S11,将采集得到的待检图Image-Pre与模板图Image进行模板匹配得到相应的缺陷区域,在相应缺陷区域内,在法向量一定距离上搜索相应像素点的灰度值,再通过提取该区域的形态学特征和灰度特征进行缺陷分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169635.7A CN109934808B (zh) | 2019-03-04 | 2019-03-04 | 一种基于图像多形状法向梯度差值pcb板缺陷分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169635.7A CN109934808B (zh) | 2019-03-04 | 2019-03-04 | 一种基于图像多形状法向梯度差值pcb板缺陷分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934808A true CN109934808A (zh) | 2019-06-25 |
CN109934808B CN109934808B (zh) | 2020-11-27 |
Family
ID=66986499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910169635.7A Active CN109934808B (zh) | 2019-03-04 | 2019-03-04 | 一种基于图像多形状法向梯度差值pcb板缺陷分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934808B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110360948A (zh) * | 2019-07-09 | 2019-10-22 | 大连理工大学 | 一种激光熔覆层及熔池形貌表征方法 |
CN110441315A (zh) * | 2019-08-02 | 2019-11-12 | 英特尔产品(成都)有限公司 | 电子部件测试设备和方法 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
CN114037701A (zh) * | 2022-01-08 | 2022-02-11 | 江苏南通元辰钢结构制造有限公司 | 一种基于图像处理的机械零件氢损伤检测方法 |
CN117252876A (zh) * | 2023-11-17 | 2023-12-19 | 江西斯迈得半导体有限公司 | 一种led支架缺陷检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
CN1987437A (zh) * | 2006-12-07 | 2007-06-27 | 华南理工大学 | 印制电路板缺陷的x光检测方法 |
CN201034949Y (zh) * | 2007-02-05 | 2008-03-12 | 华南理工大学 | 印制电路板缺陷的x光检测装置 |
CN105510364A (zh) * | 2015-12-30 | 2016-04-20 | 苏州科耐视智能科技有限公司 | 基于x射线的工业部件缺陷的无损检测系统及其检测方法 |
CN106127779A (zh) * | 2016-06-29 | 2016-11-16 | 上海晨兴希姆通电子科技有限公司 | 基于视觉识别的缺陷检测方法及系统 |
CN106651889A (zh) * | 2016-11-30 | 2017-05-10 | 太原科技大学 | 一种x射线焊接接头缺陷分割方法及其分割系统 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
-
2019
- 2019-03-04 CN CN201910169635.7A patent/CN109934808B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
CN1987437A (zh) * | 2006-12-07 | 2007-06-27 | 华南理工大学 | 印制电路板缺陷的x光检测方法 |
CN201034949Y (zh) * | 2007-02-05 | 2008-03-12 | 华南理工大学 | 印制电路板缺陷的x光检测装置 |
CN105510364A (zh) * | 2015-12-30 | 2016-04-20 | 苏州科耐视智能科技有限公司 | 基于x射线的工业部件缺陷的无损检测系统及其检测方法 |
CN106127779A (zh) * | 2016-06-29 | 2016-11-16 | 上海晨兴希姆通电子科技有限公司 | 基于视觉识别的缺陷检测方法及系统 |
CN106651889A (zh) * | 2016-11-30 | 2017-05-10 | 太原科技大学 | 一种x射线焊接接头缺陷分割方法及其分割系统 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
Non-Patent Citations (3)
Title |
---|
刘雨: "基于机器视觉的PCB表面缺陷检测", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
宋昀岑: "PCB自动光学检测系统基础算法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
陈奇 等: "基于深度信息的钢板表面缺陷检测方法", 《中国自动化大会》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110360948A (zh) * | 2019-07-09 | 2019-10-22 | 大连理工大学 | 一种激光熔覆层及熔池形貌表征方法 |
CN110360948B (zh) * | 2019-07-09 | 2020-12-11 | 大连理工大学 | 一种激光熔覆层及熔池形貌表征方法 |
CN110441315A (zh) * | 2019-08-02 | 2019-11-12 | 英特尔产品(成都)有限公司 | 电子部件测试设备和方法 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
CN114037701A (zh) * | 2022-01-08 | 2022-02-11 | 江苏南通元辰钢结构制造有限公司 | 一种基于图像处理的机械零件氢损伤检测方法 |
CN117252876A (zh) * | 2023-11-17 | 2023-12-19 | 江西斯迈得半导体有限公司 | 一种led支架缺陷检测方法及系统 |
CN117252876B (zh) * | 2023-11-17 | 2024-02-09 | 江西斯迈得半导体有限公司 | 一种led支架缺陷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109934808B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934808A (zh) | 一种基于图像多形状法向梯度差值pcb板缺陷分类方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN104680161A (zh) | 一种身份证数字识别方法 | |
CN104408449B (zh) | 智能移动终端场景文字处理方法 | |
CN101877074A (zh) | 基于多元特征的结核杆菌目标识别计数算法 | |
CN107315012B (zh) | 聚晶金刚石复合片端面崩角的智能检测方法 | |
CN107705301B (zh) | 一种基于无人机航拍公路图像的公路标线破损检测方法 | |
CN105069790A (zh) | 一种齿轮外观缺陷快速影像检测方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN104680130A (zh) | 一种身份证汉字识别方法 | |
CN105740883B (zh) | 一种计算机中基于轮廓和纹理的对羽毛片进行分类的方法 | |
CN110111301A (zh) | 基于频域变换的金属氧化表面缺陷视觉检测方法 | |
CN112819809B (zh) | 一种岩石中矿物颗粒形态量化方法 | |
CN107490583A (zh) | 一种基于机器视觉的夹片缺陷检测方法 | |
CN104680550A (zh) | 一种通过图像特征点的轴承表面瑕疵检测的方法 | |
CN102629322A (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
CN106651882A (zh) | 一种基于机器视觉的燕窝杂质识别与检测方法及装置 | |
CN114972356A (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
CN106778754A (zh) | 一种鲁棒的工业电表数字识别方法 | |
Daniel et al. | Automatic road distress detection and analysis | |
CN114549446A (zh) | 一种基于深度学习的气缸套缺陷标检测方法 | |
Zhao et al. | The edge detection of river model based on self-adaptive Canny Algorithm and connected domain segmentation | |
CN113588656A (zh) | 一种新型螺栓外观尺寸检测方法 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |